当前位置：首页 > news >正文

可视化各种库的用法并区分其作用

news 2026/6/9 0:41:04

🐍 Python 常用库实战指南

代码示例 + 可视化图表，一站式掌握 Python 生态核心库

📊 NumPy🐼 Pandas📈 Matplotlib🤖 Scikit-learn🌐 Requests⚗️ Flask

📊

NumPy — 科学计算基础

高性能多维数组运算，数学计算的基石

pip install numpy

numpy_demo.py

import numpy as np # ① 创建数组 a = np.array([1, 2, 3, 4, 5]) b = np.zeros((3, 3)) # 全零矩阵 c = np.arange(0, 10, 2) # [0,2,4,6,8] # ② 数学运算（向量化） x = np.linspace(0, 2*np.pi, 100) y_sin = np.sin(x) # 正弦波 y_cos = np.cos(x) # 余弦波 # ③ 矩阵运算 A = np.array([[1,2],[3,4]]) B = np.array([[5,6],[7,8]]) C = np.dot(A, B) # 矩阵乘法 inv_A = np.linalg.inv(A) # 求逆矩阵 # ④ 统计函数 data = np.random.randn(1000) print(f"均值: {data.mean():.4f}") print(f"标准差: {data.std():.4f}") print(f"形状: {data.shape}")

▶ 输出结果

均值: -0.0023
标准差: 0.9987
形状: (1000,)

NumPy 生成正弦/余弦波形图

🔢

ndarray

N维数组，核心数据结构

⚡

向量化运算

无需循环，极速批量计算

🧮

线性代数

矩阵乘法、求逆、特征值

🎲

随机数

均匀/正态/泊松分布

📐

广播机制

不同形状数组自动对齐

🔗

互操作

Pandas/PyTorch底层依赖

🐼

Pandas — 数据分析神器

DataFrame 结构化数据处理，Excel/CSV 好搭档

pip install pandas

pandas_read.py

import pandas as pd # 创建 DataFrame data = { '姓名': ['张三','李四','王五','赵六'], '数学': [92, 85, 78, 96], '英语': [88, 72, 90, 83], 'Python': [95, 88, 82, 91] } df = pd.DataFrame(data) # 读取 CSV 文件 # df = pd.read_csv('scores.csv') # 查看基本信息 print(df.head()) # 前5行 print(df.describe()) # 统计摘要 print(df.dtypes) # 数据类型

▶ df.head() 输出

姓名数学英语 Python
0 张三 92 88 95
1 李四 85 72 88
2 王五 78 90 82
3 赵六 96 83 91

📈

Matplotlib — 数据可视化

折线图、柱状图、饼图、散点图，一库搞定

pip install matplotlib

matplotlib_demo.py

import matplotlib.pyplot as plt import numpy as np fig, axes = plt.subplots(2, 2, figsize=(10, 8)) # ① 折线图 x = np.linspace(0, 2*np.pi, 100) axes[0,0].plot(x, np.sin(x), color='#6c63ff') axes[0,0].set_title('折线图 - 正弦波') # ② 散点图 x2 = np.random.randn(200) y2 = x2 * 0.8 + np.random.randn(200) axes[0,1].scatter(x2, y2, alpha=0.5) axes[0,1].set_title('散点图 - 相关性') # ③ 柱状图 cats = ['语文', '数学', '英语', 'Python'] vals = [85, 92, 78, 95] axes[1,0].bar(cats, vals) axes[1,0].set_title('柱状图 - 成绩') # ④ 饼图 labels = ['A班', 'B班', 'C班'] sizes = [40, 35, 25] axes[1,1].pie(sizes, labels=labels, autopct='%1.1f%%') plt.tight_layout() plt.savefig('charts.png', dpi=150) plt.show()

折线图

散点图

柱状图

饼图

🤖

Scikit-learn — 机器学习

分类/回归/聚类，统一 API，五步完成建模

pip install scikit-learn

📥
加载数据

→

🔧
预处理

→

✂️
划分集合

→

🏋️
训练模型

→

📊
评估预测

sklearn_demo.py

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # ① 加载数据集（鸢尾花150条） iris = load_iris() X, y = iris.data, iris.target # ② 划分训练集/测试集 X_train, X_test, y_train, y_test = \ train_test_split(X, y, test_size=0.2, random_state=42) # ③ 特征标准化 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # ④ 训练随机森林模型 model = RandomForestClassifier( n_estimators=100, random_state=42) model.fit(X_train, y_train) # ⑤ 预测与评估 y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) print(f"准确率: {acc:.2%}") # → 96.67%

▶ 输出结果

准确率: 96.67%

precision recall f1-score
setosa 1.00 1.00 1.00
versicolor 0.91 1.00 0.95
virginica 1.00 0.90 0.95

随机森林特征重要性排名

常见 sklearn 模型一览

分类
LogisticRegression
SVM / RandomForest
KNeighbors

回归
LinearRegression
Ridge / Lasso
GradientBoosting

聚类
KMeans
DBSCAN
AgglomerativeCl.

降维
PCA
t-SNE
TruncatedSVD

🌐

Requests + BeautifulSoup — 网络爬虫

发送请求获取网页，解析 HTML 提取所需数据

pip install requests beautifulsoup4

🌍 目标网址

→

📡 Requests
发送请求

→

📄 HTML文本

→

🔍 BeautifulSoup
解析提取

→

💾 存储数据

crawler_demo.py

import requests from bs4 import BeautifulSoup import pandas as pd # ① 发送 HTTP 请求 headers = { 'User-Agent': 'Mozilla/5.0' } url = 'https://example.com' resp = requests.get(url, headers=headers, timeout=10) resp.encoding = 'utf-8' # ② 检查状态码 if resp.status_code == 200: # ③ 解析 HTML soup = BeautifulSoup( resp.text, 'html.parser') # ④ 提取数据 title = soup.find('h1').text links = [a['href'] for a in soup.find_all('a') if a.get('href')] items = soup.select('ul li') texts = [i.text.strip() for i in items] # ⑤ 存储到 CSV pd.DataFrame({'链接': links}).\ to_csv('links.csv', index=False) print(f"成功爬取 {len(links)} 个链接")

发送请求使用requests.get(url)获取网页内容，注意设置headers模拟浏览器，避免被反爬。

解析结构使用BeautifulSoup将 HTML 字符串转为可操作的树形结构。

提取数据find()找第一个标签，find_all()找所有，select()用 CSS 选择器。

存储数据结合 Pandas 保存为CSV / Excel，或写入数据库。

⚠️爬虫礼仪：请遵守网站 robots.txt，控制请求频率，勿用于商业数据采集，尊重版权与隐私。

⚗️

Flask — 轻量 Web 框架

用 Python 快速搭建 Web 应用 / API 接口

pip install flask

app.py

from flask import Flask, jsonify, request app = Flask(__name__) # 学生数据（模拟数据库） students = [ {"id": 1, "name": "张三", "score": 92}, {"id": 2, "name": "李四", "score": 85}, ] # GET 查询所有学生 @app.route('/students', methods=['GET']) def get_students(): return jsonify(students) # GET 按 id 查询 @app.route('/students/<int:sid>') def get_student(sid): stu = next((s for s in students if s["id"] == sid), None) return jsonify(stu) if stu \ else ("Not Found", 404) # POST 新增学生 @app.route('/students', methods=['POST']) def add_student(): data = request.get_json() students.append(data) return jsonify(data), 201 if __name__ == '__main__': app.run(debug=True, port=5000)

🌐 API 路由结构

GET/students查询全部

GET/students/1查询单个

POST/students新增学生

▶ GET /students 响应

[
{
"id": 1,
"name": "张三",
"score": 92
},
{
"id": 2,
"name": "李四",
"score": 85
}
]

💡 运行后访问 http://127.0.0.1:5000/students
即可在浏览器中看到 JSON 数据